Пан в мифе Николая Куна связывает неравные тростинки воском и получает свирель. Представим, что он выбрал местом репетиции двор под вашим балконом. Просьба «сыграй потише» обращена к исполнению: инструмент остаётся тем же. Если же мастер изменит саму свирель, дальше зазвучит уже иначе устроенный инструмент.
Эта разница помогает подступиться к словам «веса нейросети». В одном случае мы пользуемся готовым инструментом и даём ему новую задачу. В другом меняем числа, с которыми он вычисляет результат. Посмотрим на маленький расчёт: после него эти два действия легче различать и в разговорах об ИИ.
Перенесём эту разницу в обычный вечер. У вас два свободных часа, концерт и одна пересадка по дороге. Музыка зовёт, пересадка тоже подаёт голос: она готова отнять часть вечера, причём без билета. Чтобы увидеть вклад каждого обстоятельства, соберём счётчик, который умеет только умножать и складывать.
Что делают веса нейросети: умножают и задают вклад
Для примера зададим простой счётчик условной привлекательности похода на концерт. Он учитывает только свободное время и количество пересадок. Коэффициенты выберем сами, чтобы увидеть арифметику; это не обученный прогноз наших настоящих предпочтений.
Два часа принесут по половине балла за час. Одна пересадка отнимет один балл. Ещё прибавим постоянную четверть балла — небольшую исходную склонность выбраться из дома. Получится:
2 часа × 0,5 балла за час − 1 пересадка × 1 балл за пересадку + 0,25 балла = 0,25 балла.
Время внесло один балл, пересадка забрала его целиком. На столе осталась четверть балла постоянной прибавки. У каждого числа виден след: можно пальцем показать, откуда взялся итог. Выход измеряется в условных баллах; правила покупки билета в этом счётчике пока нет.
Схема первого расчёта: у каждого входа виден свой вклад, затем вклады складываются с постоянным слагаемым.
Именно такой отдельный множитель и называют весом. В нашем счётчике их два: 0,5 при часах и −1 при пересадках. Числа на входе описывают ситуацию, множители задают способ её обработки. Когда объясняют веса нейросети через связи между узлами, речь идёт об этой роли числа в вычислении.
В уроке Google о узлах и скрытых слоях тот же принцип записан как сумма произведений входов на веса со смещением. Начать можно с нашего счётчика, а буквенная запись понадобится чуть позже.
Поменяем только одно число
Оставим те же два часа, ту же пересадку и постоянную прибавку. Изменим лишь влияние свободного времени: за час будем начислять целый балл вместо половины.
2 часа × 1 балл за час − 1 пересадка × 1 балл за пересадку + 0,25 балла = 1,25 балла.
Результат вырос на один балл, хотя часы и дорога остались прежними. Множитель времени прибавил 0,5 балла за час; на двух часах это дало ещё один балл. Если бы мы сравнили только финальные числа, причина легко потерялась бы. Поэтому оставим рядом оба промежуточных вклада: сначала от времени пришёл один балл, затем два.
Так видно, как веса нейросети участвуют в результате при неизменных входных значениях. В маленьком расчёте мы можем указать точный изменённый множитель и проследить его вклад. Это полезнее неопределённого объяснения «модель стала считать время важнее»: теперь мы знаем, что именно означает такая фраза здесь.
| Часть расчёта | Сначала | После изменения |
|---|---|---|
| Свободное время | 2 часа | 2 часа |
| Вес времени | 0,5 балла за час | 1 балл за час |
| Вклад времени | +1 балл | +2 балла |
| Вклад одной пересадки | −1 балл | −1 балл |
| Постоянное слагаемое | +0,25 балла | +0,25 балла |
| Итог | 0,25 балла | 1,25 балла |
Здесь нет процентов уверенности. Наш счётчик складывает баллы. Прежде чем превращать выход другой модели в вероятность или готовое решение, нужно понять, что именно обозначает её выход.
Сравнение двух расчётов. Изменён только вес времени, разница итогов составляет один балл.
Отрицательный вес и постоянная прибавка
Минус перед весом пересадок означает, что увеличение этого входа уменьшает сумму. Пока остальные условия фиксированы, каждая дополнительная пересадка отнимает балл. Ноль вместо этого веса убрал бы вклад пересадок именно из нашего расчёта.
Это помогает читать веса нейросети без бытовой окраски. Положительный множитель не означает «хороший признак», отрицательный — «плохой». Знак показывает направление вклада в конкретное вычисление. А смысл самого результата задаёт задача.
Постоянные 0,25 балла называют смещением, по-английски bias. Они прибавляются к сумме независимо от текущего количества часов и пересадок. При нулевых входах в нашей формуле останется это число. Смещение позволяет сдвинуть исходный уровень, не притворяясь ещё одной пересадкой или дополнительным часом.
Поэтому веса нейросети и смещения часто называют вместе обучаемыми параметрами. В этой небольшой модели два веса и одно смещение. У множителей и постоянного слагаемого разные роли, хотя в обучении подбирать можно и те и другое.
Если хочется увидеть формулу
Назовём часы x1, пересадки x2, их множители w1 и w2, а смещение — b. Тогда наш результат:
y = w1 × x1 + w2 × x2 + b
= 0,5 × 2 + (−1) × 1 + 0,25
= 0,25Буквы дали имена уже знакомым предметам. Нового действия в этой записи нет: сначала умножить, затем сложить. В реальной сети подобные вычисления входят в более длинный путь, а выходы одних узлов становятся входами других.
Откуда берутся обученные числа
В нашем примере значения заданы автором. При обучении веса нейросети подбирают так, чтобы модель лучше решала задачу на примерах. Она выдаёт результат, его сравнивают с нужным и вычисляют, как корректировать параметры. Затем снова смотрят на ошибку.
Для многослойных сетей вклад параметров в ошибку вычисляют с помощью обратного распространения, после чего применяют обновления. Такой путь описан в уроке Google об обучении. Чтобы понять роль веса, сейчас не нужно вручную проходить всю производную: в нашем расчёте уже видно, как его изменение влияет на сумму.
Но ручная замена 0,5 на 1 ещё не делает наш счётчик обученным. Мы показали влияние одного коэффициента. Для обучения понадобились бы примеры желаемых результатов и правило подбора чисел по ошибке. Получилось бы отдельное дело, а не новая фраза к одному вопросу.
Когда сервис предлагает обученную модель, у неё уже есть подготовленный набор параметров. Дальше вы приносите свои тексты, условия и образцы. Для приглашения на концерт этого обычно и хочется: получить подходящую фразу, а не открыть в прихожей мастерскую по сборке нейросетей. Мастерская пригодится для другой задачи; сейчас у нас свободны всего два часа.
Почему новая инструкция меняет ответ без переписывания модели
Веса нейросети сохраняют результат обучения, а ваш запрос становится частью текущего входа. Фраза «составь приглашение дружелюбно» даёт модели условие, с которым она рассчитывает продолжение. Следующая просьба «сделай короче и сохрани время встречи» меняет вход ещё раз.
В объяснении Google о промптах и дообучении это различие названо прямо: работа с промптом использует возможности готовой модели, не изменяя её параметры. Поэтому можно заметно поправить ответ, не запуская обучение и не скачивая новый набор чисел.
Для своей задачи выберите ту поправку, которую сможете проверить. Нужен другой тон — покажите короткий образец. Упущено время встречи — верните его рядом с приглашением. Непонятно, чего не хватило модели, — попросите один уточняющий вопрос. После поправки сравните тексты по этому условию. Разговор получает видимый результат без доступа к внутренним коэффициентам.
Возьмём приглашение на концерт. Откройте DeepSeek и напишите:
Помоги составить короткое приглашение другу на концерт. У меня два свободных часа, по дороге одна пересадка. Хочу предложить встретиться без долгих сборов. Если для приглашения не хватает важного условия, задай один вопрос. Затем предложи текст, который можно отправить.
Прочитайте получившееся и дайте следующую просьбу: «Сохрани смысл и сократи до двух предложений». Сравните тексты. Вы поменяли условия ответа и увидели результат; веса нейросети для этого вручную не настраивали. В обычном разговоре хорошая опора — материал, цель и понятная поправка.
Если интересно освоить этот приём, попробуйте показать модели несколько примеров нужного ответа. Переход полезен, когда простого пожелания «дружелюбнее» мало и хочется передать конкретную манеру.
Схема различия. Уточнить текущий запрос и изменить обучаемые параметры — разные действия, хотя оба могут повлиять на результат.
Попросите ИИ объяснить именно ваш расчёт
Для проверки понимания вернитесь к маленькому счётчику. Он достаточно короткий, чтобы помощник показал все действия. Можно вставить в тот же чат:
Объясни расчёт 0,5 × 2 + (−1) × 1 + 0,25. Два — часы, один — пересадка, результат — условные баллы. Покажи вклад каждого входа со своими единицами. Затем замени только вес времени 0,5 на 1 и пересчитай. Объясни, что осталось прежним. Не называй итог вероятностью. В конце задай один вопрос, чтобы проверить, понял ли я разницу между входом и весом.
Сверяйте его шаги с таблицей: сначала 0,25, затем 1,25, изменение +1 балл. Если он поменял число часов вместо множителя, укажите, какое условие нарушено. Вы сможете исправить объяснение на конкретном действии.
Теперь веса нейросети можно объяснить на собственном листке: вот текущие часы, вот множитель при них, вот вклад в сумму. Если помощник запутался, возвращайте его к конкретному действию. Этот короткий разбор уже позволяет проверить объяснение и пересказать его другому человеку.
Где маленький счётчик заканчивается
У настоящей нейросети много связанных вычислений. После взвешенной суммы в узле может применяться функция активации, которая преобразует результат. Такие нелинейные операции позволяют сети описывать более сложные связи; их разбирает следующий урок Google.
Поэтому веса нейросети в большой модели нельзя просто раздать знакомым словам: вот один отвечает за доброту, другой — за пятницу, третий — за музыкальный вкус. Их действие зависит от остальных чисел и устройства сети. Наш один просчитанный узел показывает операцию, из которой удобно начать понимание.
Если хочется узнать, как примеры проходят через обучение, продолжите разбором эпох и пакетов данных. Если цель — получить хороший текст сегодня, оставайтесь на уровне ясного задания, образца и поправки. Для этого не требуется становиться настройщиком всех внутренних вычислений.
Частые вопросы
Вес — это число, которое пользователь пишет в скобках?
Здесь речь об обучаемом множителе внутри вычисления модели. У конкретной программы может быть собственный синтаксис задания условий; его значение нужно смотреть в её справке. Обычная текстовая инструкция задаёт вход и задачу, а не прямое значение внутреннего коэффициента.
Чем вес отличается от входа?
Вход описывает текущую ситуацию: например, два свободных часа. Вес умножает это число: половина балла за час. Если появился ещё час, изменился вход. Если за прежний час теперь начисляют целый балл вместо половины, изменился вес. Один и тот же рост итоговой оценки может иметь разные причины; промежуточные действия помогают их различить.
Отрицательный вес — ошибка обучения?
Сам по себе знак ошибкой не является. В нашем примере он вычитает вклад пересадок. Чтобы оценивать параметр, нужно знать задачу и поведение всей модели на подходящих примерах.
Почему результат больше единицы?
Потому что мы складывали условные баллы без ограничения единицей. Число 1,25 не означает 125% вероятности. Единицы выхода нужно знать прежде, чем толковать его величину.
Оставьте рядом два расчёта и покажите, какое число изменилось. Потом возвращайтесь к приглашению: нужный тон можно поправить обычной фразой. Пан пусть берёт тихую мелодию, пересадка — короткий антракт. Мастерскую внутренних коэффициентов сегодня открывать незачем.